Zach

[安仔 @geekshellio]

我们平时兴冲冲打�� Claude Code，然后就开始瞎写代码（尤其是小白），结果项目越做越乱，最后发现自己在一堆烂摊子里挣扎？

这个视频里的老哥 Avthar 说他以前就是这么干的，直到他摸索出了一套叫 PSB 的系统——Plan（计划）、Setup（配置）、Build（构建），现在他每个项目都用这套流程，效率直接翻了 10 倍。

他说的第一个阶段是计划阶段，听起来似乎大家都知道对吧？但他强调花 15 分钟做计划能省你好几天的时间。

这个阶段核心就是问自己两个问题：

1. 你到底想干什么？
2. 你想要哪些功能里程碑？

比如你是在做原型验证还是要上线给真实用户，这完全决定了你的开发方式。

如果只是做原型，那就快速迭代不用管边界情况；但如果要上线，安全性、错误处理这些都得考虑进去。

他建议把项目拆成 MVP（最小可行产品）和后续几个版本，别想着一次做完所有功能。

然后他提到一个特别实用的技巧：

让 AI 来问你问题。

你把初步想法丢给 Claude，让它问你三个最重要的问题，通过回答这些问题你会发现很多自己没想清楚的地方。

他甚至会用语音模式跟 ChatGPT 聊天，把模糊的想法说出来，然后让 AI 整理成文档。

最后这个阶段要输出一个项目规格文档，包含产品需求和技术需求两部分。

产品需求就是你要解决什么问题、给谁用、具体交互是什么样；

技术需求就是选技术栈，他自己偏好的是 Next.js + Tailwind + Supabase 这套组合，但重点是你得明确告诉 Claude 用什么，不然它会自己瞎选。

第二阶段是配置阶段，他列了个七步清单。

首先是建 GitHub 仓库，这样你能在网页端和手机上用 Claude Code，还能用 GitHub CLI 和自动化 PR 审查。

然后是配置��境变量文件，把所有 API key 提前填好，省得 Claude 老是停下来问你。

接着是重头戏——https://t.co/WffY9r8uA4 文件，这个文件会一直在 Claude 的上下文里，但不能塞太多东西。

他建议放项目目标、架构概览、设计规范、约束条件这些核心信息，其他详细内容可以链接到别的文档。

他特别强调自动化文档这个概念，就是让 Claude 在开发过程中自动更新几个关键文档：

https://t.co/Fd6GPtZqXX 记录系统设计、https://t.co/wDiVmn8NZo 记录变更历史、https://t.co/97Z6yowYaH 记录当前进度和下次从哪继续。这样即使你几周没碰项目，回来也能快速接上。

然后是配置插件和 MCP（模型上下文协议）服务器，比如前端开发插件能避免那种千篇一律的紫色渐变 UI，数据库 MCP 能让 Claude 直接操���你的 MongoDB 或 Supabase。

最后是设置自定义命令和子代理，比如他有个命令专门用来更新所有项目文档，还有个子代理专门做前端测试。

两个高级技巧也值得一提：

一是预配置权限，让 Claude 不用每次都问你能不能运行 git 命令；
二是设置钩子（hooks），比如测试失败时自动让 Claude 继续修复，或者 Claude 需要权限时自动发 Slack 通知你。

第三阶段就是构建阶段了，终于可以写代码了。

他推荐三种工作流：

1. 通用工作流适合单个功能开发，分为研究、计划、实现、测试四步，其中计划模式最重要，别上来就让 Claude 写代码；
2. 基于 Issue 的工作流把 GitHub Issues 当作任务管理中心，适合保持项目整洁；
3. 多代理工作流最高级，用 git worktrees 让多个 Claude 实例同时开发不同功能；

他试过同时开三个功能，效率爆炸。

最后他给了四个保持高效���建议：

1. 尽量用最好的模型，Opus 4.5 做规划和复杂任务，Sonnet 做实现，Haiku 只做简单修复；
2. 定期更新 https://t.co/7Gz06VeEBy 文件；
3. 看到 Claude 犯错时用 # 号快速添加规则防止重复错误；
4. 别怕扔掉代码，原型阶段如果不满意就重来，代码很便宜时间才贵。

他这套 PSB 系统确实很系统化，特别适合那种容易一头扎进代码然后迷失方向的人。

所以还是那句话，别急着写代码，宁愿花时间做好计划和配置，后面开发你会感觉顺畅得多。

[宝玉 @dotey]

今天给大家翻译的是最近吴恩达采访李飞飞的一期视频“Andrew Ng and Fei-Fei Li Discuss Human-Centered Artificial Intelligence - Stanford Online”，都是AI领域的重量级人物。李飞飞现在是斯坦福大学的计算机科学教授，还是HAI（以人为本的人工智能研究所）的联席主任。李飞飞还是吴恩达邀���去的斯坦福，最开始还担心李飞飞不去，而李飞飞则说，谁能抵挡斯坦福的诱惑😄

第一个话题是为什么李飞飞从物理专业转到了人工智能领域。

李飞飞分享了她的经历，她一直对物理和STEM充满热情，后来在普林斯顿大学主修物理并在神经科学实验室实习。然而，通过阅读了一些伟大物理学家的著作例如薛定谔的《生命是什么？》罗杰·彭罗斯的《皇帝的新脑》，她对智能产生了极大的好奇心，这促使她在研究生阶段转向了人工智能。

她对智能的基本计算原理有极大的兴趣，期待有一天能找到一组简单的原理或方程，可以定义智能的过程，无论是动物智能还是机器智能。

李飞飞认为AI还处于初级阶段，就像牛顿之前的物理学，曾经有过伟大的物理学，伟大的物理学家，很多现象学，很多��于天体如何运动的研究。但是是牛顿开始写出非常简单的定律。我们仍在经历那个非常令人兴奋的AI基础科学成长时期，就像当年的物理学还处于牛顿之前的阶段。

第二个话题是李飞飞早年的移民经历。

李飞飞在15岁时移民到美国，她的父母不会说英语，经营一家干洗店可能是她们家最好的选择，因为洗衣店主要是周末营业，这样她作为学生也可以参与运营。尽管生活充满挑战，李飞飞坚持下来，并成功进入普林斯顿大学。干洗店的经营帮助她接触到了机器，也使得她对STEM（科学、技术、工程和数学）领域产生了兴趣。

吴恩达也分享了他的早年经历，他在高中时曾在办公室工作，经常复印文件，为人们泡咖啡。这些经历启发他思考如何用机器人完成这些工作，这可能也种下了他对AI的兴趣的种子。

希望他们高中的故事能够激励更多的人，无论我们起点如何，都有机会成功。

第三个话题是关于李飞飞如何开始ImageNet项目和创建的Caltech 101数据库的。

李飞飞是最早将机器学习应用于计算机视觉的学生之一，这在当时是一个具有争议的想法。在计算机视觉和人类智能理解的研究中，她利用机器学习方法进行真实世界对象的识别，尽管她很快就发现这个领域的一个主要挑战是模型的泛化能力不足。为了解决这个问题，李飞飞和她的导师开始探索大规模数据项目，创建了Caltech 101数据库。李飞飞开始做这事时非常早，那时候数码相机还非常昂贵，最初的数据是李飞飞和她妈还有几个本科生一起做的。

这个数据库对许多研究者产生了积极影响。之后，李飞飞进一步扩展了数据库，创建了更大的ImageNet数据库，尽管这个想法在最初的时候遭到了很多质疑���但最终，这个庞大的数据库为全球无数研究者解锁了大量价值。

由于最开始受到了很多质疑和困难，但最终项目还是取得了巨大的成功。就这个话题李飞飞分享了一点人生经验，就是设置北极星目标（即长期大目标）的重要性，并建议研究生们不应该只是为了发表论文而进行研究，而应该有一个长远的目标去驱动他们的工作。

吴恩达对这个观点也很赞同，他也提醒大家即使项目刚开始规模比较小，也可以作为实现更大目标的基础。

另外很重要的就是去追求自己真正感兴趣的研究领域，李飞飞会问她的学生：”是什么北极星在驱使你？“

这段对话很精彩，我直接原文转发一下：

”吴恩达：当我想起那个故事时，它看起来像是一个有时候人们觉得他们应该只从事项目的例子，而不是一开始就做大事。但我觉得对于从事机器学习的人来说，如果你的第一个项目是一个稍微小一点的，��完全没问题。祝你取得好成绩。利用所学知识为实现更大的目标打下基础，然后有时候你会得到像ImageNet那样的巨大成功。

李飞飞：但与此同时，我认为追求一个大胆的目标也很重要。你可以根据问题的规模或项目的规模设定局部里程碑，沿着这条道路前进，但我也关注我们现在的一些学生。他们受到如此大的同伴压力，在这个不断出版的气候中。这变得更多的是为了只是为了出版而进入一篇文章。我个人总是推动我的学生去问这个问题，是什么北极星在驱使你？

吴恩达：是的，这是真的。这些年来，当我做研究时，我总是充满激情地去做我感兴趣的事情，在那里，我想尝试推动观点向前发展。不必听别人的意见。要听别人的意见，让他们影响你的看法。但最后，我认为最好的研究者让世界影响他们的观点，但最后，还是要根据自己的观点来推动事物。

李飞飞��完全同意，是的。这是你自己内心的火焰。“

第四个话题是李飞飞如何将计算机视觉和神经科学应用到���个领域，尤其是医疗保健的

李飞飞认为她在计算机视觉领域的研究进化也遵循动物视觉智能的进化。有两个话题真正让她兴奋：
1. 一个是什么是真正有影响力的应用领域，能够帮助改善人类生活？这就是医疗保健工作。
2. 另一个是视觉在最终究竟是关于什么的？这让她试图在感知和机器人学习之间封闭回路。

李飞飞引用了一组数字：每年约有25万美国人死于医疗错误，这大大超过了因车祸导致的死亡人数，医院感染导致的死亡人数超过95,000，这比车祸死亡人数多2.5倍。

李飞飞和她的合作伙伴阿尼·米尔斯坦博士开始了一个项目，名为环境智能研究议程，目的是在医院或养老院安装智能传感器，以提高病人的安全性。但她指出，应用AI时，除了机器学习问题，还需要处理诸如隐私等人类问题。

第五个话题是关于人工智能（AI）在公共政策中的重要性

四年前，李飞飞和斯坦福大学的一些教职工意识到斯坦福需要在AI领域发挥更重要的角色，为此他们创建了人类中心AI研究所（HAI）。这个研究所旨在以人为本，研究下一代的人工智能教育、研究和政策。

李飞飞提到，AI快速地影响着人们的生活，法律和政策必须要跟上。她认为专家需要和政策制定者更深入地交流，以利用AI更好地造福人民。这不仅涉及公平和隐私，还涉及到人才流向产业、数据和计算机的集中等问题。

李飞飞参与推动的一项政策工作就是《全国人工智能研究云任务组法案》（现为国家人工智能研究资源，NAIRR），这个法案要求成立一个任务小组，为美国公共部门和研究部门提供更好的获取AI计算和数据资源的途径，以重振美国在AI创新和研究方面的生态系统。这是一项更多的激励政策，旨在建设和振兴生态系统。

吴恩达问了李飞飞一个很有代表性的问题：”你对于刚开始学习机器学习的人��什么建议？“

李飞飞的建议是：
1. 现在的AI和ML学习资源比以往任何时候都要丰富，从Coursera到YouTube、TikTok和Github，使得全球范围内的学习者都能够获取到这些知识。
2. 对非技术背景的人来说，AI也提供了丰富的机会，无论是应用、创造力、政策、社会问题，还是经济、伦理、政治科学等方面。
3. 人工智能可能带来的挑战和问题，如定义数字时代的经济，机器人和软件在工作流程中的影响，以及生成性AI对创造力和艺术创作者的影响等。

吴恩达也基于李飞飞的建议提出了自己的建议，他的建议是现在人工智能的技术很通用，无论你的个人兴趣是什么领域，都很容易可以将你的兴趣和AI结合起来。现在AI还是很新的领域，基于兴趣可以开创自己的道路，去做一些令人兴奋的工作。

最后一个话题是关于李飞飞开展的AI4ALL项目。

AI4ALL项目旨在引导年轻的学生，特别是来自代表性不足的群体，接触并学习AI。李��飞在自己作为斯坦福人工智能实验室唯一的女性教师时，意识到了代表性不足的问题。

AI4ALL最初���称为SAILORS，这个项目于2015年开始，由李飞飞与她的学生宇川佐科夫斯基和教育专家瑞克·萨默一起启动。它最初是一个暑期项目，邀请年轻女性高中生学习AI。在得到詹森·黄、洛瑞·黄和梅琳达·盖茨等人的支持后，该项目于2017年扩展为全国性的非营利组织，现已在全国超过15所大学开设夏令营和暑期项目，同时提供在线课程并通过实习和导师计划提供持续的支持。

最后引用AI4ALL的口号来结尾：“AI将改变世界，谁将改变AI？”，希望我们每个人都能参与其中！

原始视频：https://t.co/HV9J7bg0Ec

[HCIL @hcil_umd]

We're less than two weeks out from our 40th annual HCIL symposium! Join us Thursday, May 25 in person or on the live stream to learn more about the amazing research being done by students & faculty in the lab.

Visit https://t.co/8tdD0sl2zk for more information & register today!

[Jiayuan (JY) Zhang @jiayuan_jy]

产品地址

https://t.co/JkVJ9gv6xH

[Shawn Pang @0xshawnpang]

前哨科技训练营的产业专家 王煜全 分享了在过去十年中AI变革背后的15篇论文。我整理了每一篇论文的原文链接，和朋友们一起回顾AI变革的技术历程。

[Viking @vikingmute]

最近一篇独立开发者的好文章：

https://t.co/IO0fiOdOmt

作者 5 年前辞了谷歌的工作，创办了TinyPilot 的公司。
文章中他以财报的形式将所有的收入支出都列了出来，并且详细的描述了公司的运作和未来的计划以及运作中的经验教训。

收入是：$812K
净利润只有：$6k(而且不给自己发工资)

非常值得一读

[Oasis Feng @oasisfeng]

这个 AI 太有用了，我喂给它一个 YouTube 视频，它直接帮我三两句话总结了整个视频中讲述的核心要点，太省事儿了~

还能切换显示 Summary 和 Key Moments，真不错！如果 Key Moments 能与视频时间戳同步跳转就更好了。
https://t.co/z482e04gKF

[Tw93 @HiTw93]

#工程师学习 在 B 站看到一个很有趣易懂的��计算机科学速成课 Crash Course Computer Science】课程，对于新同学会易于接受很多，特别是推上很多想转码的同学，对于老同学而言很有一种看「下饭科普剧」的感觉，基本上将计算机科学大部分内容都有趣地讲到了。
🤖 https://t.co/zwh80KlFSO

[App Economy Insights @EconomyApp]

Choose your fighter
$AAPL $MSFT $GOOG $AMZN

[Arvind Narayanan @random_walker]

15 years ago my PhD advisor taught me One Weird Trick for editing your own writing. Edit **back to front**, paragraph by paragraph. I still use it and it still surprises me how well it works. When I get my students to do it, it often blows their minds. Try it!

[Jiayuan (JY) Zhang @jiayuan_jy]

我在大学里是如何自学 CS 的？

在搜索资料的时候找到了之前做的一个总结，不是非常典型，但是也可以作为一个参考，在本科学校不是特别好的情况下如何自学 CS。

- a thread -

[Sebastian Raschka @rasbt]

sometimes I forget to appreciate how small CNNs can be

[Divam Gupta @divamgupta]

Image2Image is now available in Tensorflow / Keras version of Stable Diffusion.

Repo link : https://t.co/oPFfTcEIr7
Colab link : https://t.co/YUzM7cTIc0

[Julien Cayla @juliencayla]

When teaching academic writing at the PhD level, here are 5 tools I recommend. A 🧵⬇️:

[PyQuant News 🐍 @pyquantnews]

Quantitative Stock Price Analysis with Python (25 minutes)

We look at some quantitative analytical methods of stock price changes using Python and pandas.

https://t.co/QXvOcUW3Ok

[Hans van der Kwast @[email protected] @hansakwast]

This afternoon I'll give the workshop "Hydrological analysis with #PCRaster in #QGIS and #Python" at @foss4g in Firenze. Follow along with the free materials at @GISOCW: https://t.co/nkiZVtNdse @ihedelft

[Avi Kumar Talaviya @avikumart_]

The most comprehensive data science interview preparation guide you'll ever need to crack DS interviews📝📈

Save for future reference👍🚀

A 🧵↓

[子茄 @ant_sz]

才知道日本还有个叫JapanDev的专门介绍cool tech job的网站。作者现在凭借这个网站月入数万美元。这篇文章还冲上HackerNews首页了呢 https://t.co/Lrek5e2ABf

[YU @FreiheitYu]

ByteByteGo、Udemy、Educative都是我很喜欢的学习架构的网站，虽然也要收费，但是货真价实，和国内流行的“知识付费”完全不一样，很值得
平时多看看不同系统的架构设计能给自己很多启发，我之前面试被问到一个不熟悉的架构，但也现场分析出来了，都靠平时触类旁通